MétaCan
Menu
Retour à la cohorte
Enregistrement W2315294121 · doi:10.1109/jsen.2014.2342716

Ferrofluid Sacrificial Microfabrication of Capacitive Pressure Sensors

2014· article· en· W2315294121 sur OpenAlexafffund
Babak Assadsangabi, Xing Chen, Daniel Brox, Kenichi Takahata

Notice bibliographique

RevueIEEE Sensors Journal · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueCharacterization and Applications of Magnetic Nanoparticles
Établissements canadiensUniversity of British Columbia
Organismes subventionnairesBritish Columbia Knowledge Development FundNatural Sciences and Engineering Research Council of CanadaCanada Research Chairs
Mots-clésMicrofabricationFerrofluidMaterials scienceCapacitive sensingFabricationCapacitanceParyleneSurface micromachiningPhotolithographyOptoelectronicsElectrodeCapacitorNanotechnologyVoltageComposite materialElectrical engineeringPolymerChemistryMagnetic field

Résumé

récupéré en direct d'OpenAlex

A novel production approach to the fabrication of capacitive micropressure sensors is reported. A magnetic fluid known as ferrofluid is used as the liquid-phase sacrificial layer in the microfabrication process, enabling extremely simple, fast, and low-cost production of the sensors while eliminating the need for photolithographic, bonding, and/or chemical processes. The entire sensor fabrication is performed at/near room temperature. The sensors are designed to be constructed on the 1.5 × 1.5-mm <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> stainless-steel chip, being micromachined to have capacitive cavities with 10-30 μm depths. A Parylene-C membrane with a titanium electrode is formed to seal the cavity by depositing it directly on top of the ferrofluid filled in the cavity. The ferrofluid is magnetically extracted from the cavity after the formation of the membrane, suspending it to establish the sensing capacitor. A highly linear response of 12.4 fF/KPa is obtained with the fabricated device. The temperature dependence of the sensor capacitance is experimentally characterized and reported as well.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,449

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,008
Tête enseignante GPT0,204
Écart entre enseignants0,196 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeExpérimental (laboratoire)
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations14
Publié2014
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueIEEE Sensors JournalMême sujetCharacterization and Applications of Magnetic NanoparticlesTravaux en français237 207